模型上下文协议（MCP）简介：为何它对可扩展的 AI 应用至关重要

生成式 AI 应用是一个重要的进步，因为它们通常允许用户通过自然语言提示与应用互动。然而，随着投入更多时间和资源，您需要确保功能和资源能够轻松集成，便于扩展，支持多模型共存，并处理各种模型的复杂性。简言之，构建生成式 AI 应用起步容易，但随着应用规模和复杂度增加，您需要开始定义架构，并可能依赖某种标准来确保应用的一致构建。这正是 MCP 发挥作用、提供标准的地方。

🔍 什么是模型上下文协议（MCP）？

模型上下文协议（MCP）是一种开放的、标准化的接口，允许大型语言模型（LLM）与外部工具、API 和数据源无缝交互。它提供了一种统一的架构，增强 AI 模型在训练数据之外的功能，使 AI 系统更智能、更具扩展性和响应性。

🎯 为什么 AI 领域需要标准化

随着生成式 AI 应用变得越来越复杂，采用标准来保证可扩展性、可扩展性和可维护性变得至关重要。MCP 通过以下方式满足这些需求：

统一模型与工具的集成
减少脆弱且一次性的定制解决方案
允许多个模型在同一生态系统中共存

📚 学习目标

阅读完本文后，您将能够：

定义 模型上下文协议（MCP） 及其应用场景
理解 MCP 如何标准化模型与工具之间的通信
识别 MCP 架构的核心组件
探索 MCP 在企业和开发环境中的实际应用

💡 为什么模型上下文协议（MCP）是一个变革者

🔗 MCP 解决了 AI 交互中的碎片化问题

在 MCP 出现之前，模型与工具的集成需要：

针对每对工具和模型编写定制代码
各供应商采用非标准 API
更新频繁导致集成中断
难以随着工具数量增加而扩展

✅ MCP 标准化的优势

优势	描述
互操作性	LLM 能与不同供应商的工具无缝协作
一致性	在不同平台和工具间保持统一行为
可重用性	工具一次构建，可在多个项目和系统中复用
加速开发	通过标准化、即插即用接口减少开发时间

🧱 MCP 高层架构概览

MCP 采用客户端-服务器模型，其中：

MCP Hosts 运行 AI 模型
MCP Clients 发起请求
MCP Servers 提供上下文、工具和能力

关键组件：

资源 – 模型使用的静态或动态数据
提示 – 预定义的工作流以指导生成
工具 – 可执行功能，如搜索、计算
采样 – 通过递归交互实现的代理行为

MCP 服务器如何工作

MCP 服务器的工作流程如下：

请求流程：
1. MCP 客户端向运行在 MCP Host 上的 AI 模型发送请求。
2. AI 模型识别出需要外部工具或数据的时机。
3. 模型使用标准协议与 MCP 服务器通信。
MCP 服务器功能：
- 工具注册表：维护可用工具及其功能目录。
- 认证：验证工具访问权限。
- 请求处理器：处理模型发出的工具请求。
- 响应格式化器：将工具输出结构化为模型可理解的格式。
工具执行：
- 服务器将请求路由到相应的外部工具
- 工具执行其专门功能（搜索、计算、数据库查询等）
- 结果以统一格式返回给模型。
响应完成：
- AI 模型将工具输出整合到响应中。
- 最终响应返回给客户端应用。

mermaid

---
title: MCP Server Architecture and Component Interactions
description: A diagram showing how AI models interact with MCP servers and various tools, depicting the request flow and server components including Tool Registry, Authentication, Request Handler, and Response Formatter
---
graph TD
    A[AI Model in MCP Host] <-->|MCP Protocol| B[MCP Server]
    B <-->|Tool Interface| C[Tool 1: Web Search]
    B <-->|Tool Interface| D[Tool 2: Calculator]
    B <-->|Tool Interface| E[Tool 3: Database Access]
    B <-->|Tool Interface| F[Tool 4: File System]
    
    Client[MCP Client/Application] -->|Sends Request| A
    A -->|Returns Response| Client
    
    subgraph "MCP Server Components"
        B
        G[Tool Registry]
        H[Authentication]
        I[Request Handler]
        J[Response Formatter]
    end
    
    B <--> G
    B <--> H
    B <--> I
    B <--> J
    
    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style B fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style C fill:#c2f0c2,stroke:#333,stroke-width:1px
    style D fill:#c2f0c2,stroke:#333,stroke-width:1px
    style E fill:#c2f0c2,stroke:#333,stroke-width:1px
    style F fill:#c2f0c2,stroke:#333,stroke-width:1px

👨‍💻 如何构建 MCP 服务器（附示例）

MCP 服务器允许您通过提供数据和功能扩展 LLM 的能力。

准备好尝试了吗？以下是用不同语言创建简单 MCP 服务器的示例：

Python 示例: https://github.com/modelcontextprotocol/python-sdk
TypeScript 示例: https://github.com/modelcontextprotocol/typescript-sdk
Java 示例: https://github.com/modelcontextprotocol/java-sdk
C#/.NET 示例: https://github.com/modelcontextprotocol/csharp-sdk

🌍 MCP 的实际应用场景

MCP 通过扩展 AI 功能支持广泛的应用：

应用场景	描述
企业数据集成	将 LLM 连接到数据库、CRM 或内部工具
代理式 AI 系统	支持具有工具访问和决策工作流的自主代理
多模态应用	在单一统一 AI 应用中结合文本、图像和音频工具
实时数据集成	将实时数据引入 AI 交互，实现更准确、最新的输出

🧠 MCP = AI 交互的通用标准

模型上下文协议（MCP）就像 USB-C 统一了设备的物理连接一样，成为 AI 交互的通用标准。在 AI 领域，MCP 提供了一个一致的接口，使模型（客户端）能够无缝集成外部工具和数据提供者（服务器）。这消除了为每个 API 或数据源设计不同定制协议的需求。

根据 MCP，兼容的工具（称为 MCP 服务器）遵循统一标准。这些服务器可以列出它们提供的工具或操作，并在 AI 代理请求时执行。支持 MCP 的 AI 代理平台能够发现服务器上的可用工具，并通过标准协议调用它们。

💡 促进知识访问

除了提供工具，MCP 还促进了知识的访问。它使应用能够通过连接各种数据源，为大型语言模型（LLM）提供上下文。例如，某个 MCP 服务器可能代表公司的文档库，允许代理按需检索相关信息。另一个服务器可能处理特定操作，如发送电子邮件或更新记录。对代理来说，这些都只是它可以使用的工具——有些工具返回数据（知识上下文），有些执行操作。MCP 高效地管理这两者。

代理连接到 MCP 服务器时，会通过标准格式自动了解服务器的可用功能和数据。这种标准化支持动态工具的可用性。例如，将新 MCP 服务器添加到代理系统后，其功能即可立即使用，无需额外定制代理指令。

这种简化的集成流程与下方的 mermaid 图示相符，服务器既提供工具也提供知识，确保系统间的无缝协作。

👉 示例：可扩展的代理解决方案

mermaid

---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
    User -->|Prompt| LLM
    LLM -->|Response| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|Universal connector| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[Knowledge]
        ToolsA[Tools]
    end

    subgraph Server B
        KnowledgeB[Knowledge]
        ToolsB[Tools]
    end

🔄 具备客户端 LLM 集成的高级 MCP 场景

除了基本的 MCP 架构，还有更高级的场景，客户端和服务器都包含 LLM，实现更复杂的交互：

mermaid

---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
    autonumber
    actor User as 👤 User
    participant ClientApp as 🖥️ Client App
    participant ClientLLM as 🧠 Client LLM
    participant Server1 as 🔧 MCP Server 1
    participant Server2 as 📚 MCP Server 2
    participant ServerLLM as 🤖 Server LLM
    
    %% Discovery Phase
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: TOOL DISCOVERY PHASE
        ClientApp->>+Server1: Request available tools/resources
        Server1-->>-ClientApp: Return tool list (JSON)
        ClientApp->>+Server2: Request available tools/resources
        Server2-->>-ClientApp: Return tool list (JSON)
        Note right of ClientApp: Store combined tool<br/>catalog locally
    end
    
    %% User Interaction
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: USER INTERACTION PHASE
        User->>+ClientApp: Enter natural language prompt
        ClientApp->>+ClientLLM: Forward prompt + tool catalog
        ClientLLM->>-ClientLLM: Analyze prompt & select tools
    end
    
    %% Scenario A: Direct Tool Calling
    alt Direct Tool Calling
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
            ClientLLM->>+ClientApp: Request tool execution
            ClientApp->>+Server1: Execute specific tool
            Server1-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    
    %% Scenario B: Feature Negotiation (VS Code style)
    else Feature Negotiation (VS Code style)
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
            ClientLLM->>+ClientApp: Identify needed capabilities
            ClientApp->>+Server2: Negotiate features/capabilities
            Server2->>+ServerLLM: Request additional context
            ServerLLM-->>-Server2: Provide context
            Server2-->>-ClientApp: Return available features
            ClientApp->>+Server2: Call negotiated tools
            Server2-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    end

🔐 MCP 的实际优势

使用 MCP 的实际好处包括：

信息新鲜度：模型能访问训练数据之外的最新信息
能力扩展：模型可利用专门工具完成未训练任务
减少幻觉：外部数据源提供事实依据
隐私保护：敏感数据留在安全环境中，不嵌入提示中

📌 关键总结

使用 MCP 的关键点：

MCP 标准化 AI 模型与工具和数据的交互方式
促进可扩展性、一致性和互操作性
MCP 有助于减少开发时间、提升可靠性、扩展模型能力
客户端-服务器架构支持灵活且可扩展的 AI 应用

🧠 练习

思考一个您感兴趣的 AI 应用。

哪些外部工具或数据可以增强它的能力？
MCP 如何使集成更简单、更可靠？

额外资源

MCP GitHub 仓库

模型上下文协议（MCP）简介：为何它对可扩展的 AI 应用至关重要 ​

🔍 什么是模型上下文协议（MCP）？ ​

🎯 为什么 AI 领域需要标准化 ​

📚 学习目标 ​

💡 为什么模型上下文协议（MCP）是一个变革者 ​

🔗 MCP 解决了 AI 交互中的碎片化问题 ​

✅ MCP 标准化的优势 ​

🧱 MCP 高层架构概览 ​

关键组件： ​

MCP 服务器如何工作 ​

👨‍💻 如何构建 MCP 服务器（附示例） ​

🌍 MCP 的实际应用场景 ​

🧠 MCP = AI 交互的通用标准 ​

💡 促进知识访问 ​

👉 示例：可扩展的代理解决方案 ​

🔄 具备客户端 LLM 集成的高级 MCP 场景 ​

🔐 MCP 的实际优势 ​

📌 关键总结 ​

🧠 练习 ​

额外资源 ​

模型上下文协议（MCP）简介：为何它对可扩展的 AI 应用至关重要

🔍 什么是模型上下文协议（MCP）？

🎯 为什么 AI 领域需要标准化

📚 学习目标

💡 为什么模型上下文协议（MCP）是一个变革者

🔗 MCP 解决了 AI 交互中的碎片化问题

✅ MCP 标准化的优势

🧱 MCP 高层架构概览

关键组件：

MCP 服务器如何工作

👨‍💻 如何构建 MCP 服务器（附示例）

🌍 MCP 的实际应用场景

🧠 MCP = AI 交互的通用标准

💡 促进知识访问

👉 示例：可扩展的代理解决方案

🔄 具备客户端 LLM 集成的高级 MCP 场景

🔐 MCP 的实际优势

📌 关键总结

🧠 练习

额外资源